规上工业企业覆盖率超八成后，沈阳如何把“智改数转”变成可执行项目？

当规上工业企业“智改数转”覆盖率超过八成，沈阳制造业数字化转型就进入了一个新阶段：难点不再是“有没有企业参与”，而是“参与之后是否形成了可持续、可衡量、能复制的项目成果”。对企业而言，覆盖率是推进广度的信号，却不是经营改善的证明。真正需要回答的是：企业处于什么阶段，下一步改什么，谁来负责，投入如何分段，效果怎样验收。

以“普及、提升、培优”三类行动为主线，可以把沈阳的推进思路转化为一套企业可执行的项目框架：先通过评估识别基础，再通过诊断明确问题，随后按企业类型和业务场景实施改造，最后以示范项目检验成果。市、区、街道三级责任体系，则可以被企业理解为一种分层推进机制：市级负责方向和资源统筹，区级负责项目落地与服务协调，街道更接近企业现场，承担摸排、对接和跟踪责任。

先判断企业处于哪个阶段

不少企业一谈数字化，就直接采购系统、部署设备或上线人工智能应用。但如果基础数据不完整、流程职责不清，技术投入很容易变成新的信息孤岛。

企业可以先用三个问题进行自测：

1. 生产、质量、设备、采购和仓储等核心数据，是否能够持续采集并形成统一口径？
2. 已有系统之间是否能够协同，管理者能否通过数据及时发现异常？
3. 数字化项目是否已经从单点应用，进入跨部门协同、产业链协同或智能决策阶段？

根据答案，企业大致可以分为三类。

基础薄弱：先补数据和基础软件

这类企业通常存在纸面记录较多、设备联网率较低、订单和生产计划衔接不畅、库存数据滞后等问题。此时最重要的不是追求“智能工厂”概念，而是建立可用的业务数据底座。

优先事项包括：

• 梳理订单、计划、生产、质量、仓储和交付流程；
• 明确物料、产品、设备、客户和供应商等主数据编码；
• 选择适配企业规模的生产管理、仓储管理或设备管理软件；
• 为关键设备补充必要的数据采集能力；
• 先解决数据口径不一致和重复录入问题。

这一阶段的验收重点，应放在数据是否真实、流程是否贯通、现场人员是否愿意使用，而不是系统功能数量。对于中小制造企业，能够稳定掌握订单进度、在制品数量、设备状态和质量异常，往往比一次性建设复杂平台更有价值。

已有系统基础：重点解决跨部门协同

第二类企业已经部署了企业资源计划、制造执行、质量管理或设备管理系统，但系统之间没有真正形成协同。销售看订单，计划看排产，采购看物料，生产看现场，财务看结算，各部门都有数据，却无法形成同一张经营图。

这类企业的改造重点不是继续增加系统，而是打通关键业务链条。

可以优先选择一条影响交付和成本的主流程，例如：

• 从订单评审到生产排程；
• 从采购到来料检验；
• 从生产报工到质量追溯；
• 从设备点检到维修备件；
• 从客户需求到供应商协同。

项目要先定义跨部门的共同目标，再确定数据和责任。例如，订单准时交付率下降，可能并非生产部门单独造成，而是销售承诺、计划排程、采购到料、设备可用率和质量返工共同作用的结果。只有把这些环节放进同一项目，数字化才不会变成某一个部门的局部工程。

头部企业：从可视化走向智能决策

第三类企业已经具备较好的系统、设备和数据基础，可以进一步探索人工智能、数字孪生、预测性维护、智能排产、质量预测和供应链风险识别等高级应用。

但高级应用的前提不是模型本身，而是业务数据能够长期积累，问题场景足够明确，应用结果能够进入现场决策流程。企业应避免为了展示技术而建设“概念性智能场景”，而要优先选择有明确损失、有稳定数据、有责任人的问题。

例如，预测性维护的目标不应只是“预测设备故障”，而应进一步明确为减少非计划停机、降低维修成本或提高关键设备利用率。人工智能项目也不能只看模型准确率，还要看它是否缩短了判断时间、减少了人工检查或改善了交付结果。

用“评估—诊断—改造—示范”控制项目节奏

第一步：评估，不急于开工

评估的任务是确认企业现状，而不是为采购方案背书。建议从五个方面建立基线：

评估结论最好控制在企业能够理解和执行的范围内，避免形成只有供应商看得懂的长篇报告。管理层需要看到的是：当前最值得投入的三个问题是什么，不改造会产生什么损失，改造后准备改善什么指标。

第二步：诊断，把问题转成项目

诊断比评估更深入，要求把问题转化为可实施的业务场景。一个合格的场景至少应包含五项内容：

• 明确的业务对象，例如订单、设备、质量或库存；
• 明确的责任部门和现场负责人；
• 可获得或可补齐的数据；
• 可在一定周期内验证的改善目标；
• 与经营结果相关的评价指标。

例如，“建设智能制造平台”不是一个足够清晰的项目名称；“通过设备数据采集和维修工单管理，降低关键设备非计划停机时间”则更接近可执行项目。

第三步：改造，采用小步试点

改造不宜一开始覆盖全部工厂、全部产品线和全部设备。更稳妥的方式是选择一个代表性车间、一条关键产线或一类高频订单进行试点。

试点应同时满足三个条件：

1. 问题足够重要，改善后能被业务部门感知；
2. 数据和设备条件基本具备，不会长期停留在准备阶段；
3. 项目边界可控，失败时不会影响全厂运行。

试点成功后，再根据标准化程度复制到其他产线。复制前要明确哪些内容可以直接复用，哪些内容必须因产品、设备和工艺差异重新配置。

第四步：示范，验证能否复制

示范不是简单展示系统界面，而是证明项目形成了稳定的业务机制。一个具备推广价值的示范项目，应至少说明：

• 改造前的业务基线是什么；
• 实施了哪些具体动作；
• 哪些部门参与了项目；
• 指标改善是否持续；
• 是否形成了标准流程、数据规范和运维机制；
• 换到其他产线或企业后，哪些条件必须具备。

这也是“普及、提升、培优”之间的衔接点：普及解决有没有基础，提升解决协同效率，培优则检验企业能否形成高水平、可复制的智能制造能力。

把市区街道三级体系转化为企业协同机制

对企业来说，市、区、街道三级责任体系不应只是申报和通知渠道，还可以成为项目推进中的外部协同网络。

市级层面：关注方向、标准和资源统筹

企业需要从市级层面获得的，不只是政策信息，还包括行业方向、评价标准、示范经验和服务资源。对于跨区域、跨行业或涉及产业链协同的项目，市级统筹有助于减少重复建设，推动共性平台和行业方案形成。

企业在对接市级资源时，应把需求表达为业务问题和项目目标，而不是泛泛提出“希望支持数字化转型”。

区级层面：推动项目落地和要素协调

区级部门更适合承担项目落地中的协调工作，包括企业摸排、项目辅导、服务商对接、场景组织和实施跟踪。企业可以把区级服务作为项目外部管理的一部分，定期汇报项目进度、困难和阶段成果。

但企业不能把项目责任完全外包给政府或服务机构。区级部门可以帮助协调资源，却无法替代企业定义业务目标、提供真实数据和推动员工使用。

街道层面：接近现场，负责持续跟踪

街道与企业联系更直接，适合承担基础信息更新、需求收集、问题反馈和项目进展跟踪。对于规模较小、缺少专职数字化负责人的企业，街道层面的服务可以帮助其找到合适的诊断入口。

企业也应主动提供简洁、准确的项目状态：当前处于评估、诊断、试点还是推广阶段；主要困难是预算、数据、设备、人才还是组织协同；下一阶段需要什么帮助。只有信息足够具体，三级协同才不会停留在“已对接、已推进”的表面状态。

项目治理要先定责任，再定系统

数字化项目失败，往往不是技术不可用，而是没有人对业务结果负责。企业至少要建立四类角色。

管理层：决定边界和优先级

管理层需要回答三个问题：项目服务于哪个经营目标，最多允许投入多少资源，出现跨部门冲突时由谁裁决。

如果管理层只批准预算、不参与目标确认，项目很容易变成信息部门的内部工程。尤其是涉及流程调整、绩效口径和岗位职责变化时，必须由有足够权责的负责人推动。

业务部门：定义场景和验收结果

业务部门不能只提出“系统不好用”，而要说明具体业务问题。例如计划变更为什么无法及时传递，质量异常为什么不能追溯，设备故障为什么总是依赖个人经验。

项目验收也应由业务部门参与。系统上线不等于项目完成，只有流程被使用、数据被采用、指标出现改善，才算达到业务目标。

数字化部门：负责架构、数据和集成

数字化团队需要控制系统边界、接口标准、数据权限和安全要求，避免各部门单独采购形成新的孤岛。同时还要把复杂技术要求翻译成业务人员能理解的操作流程。

服务商和实施团队：交付结果，而不是只交付功能

合同和项目计划应尽量把交付内容写成可验证结果，包括数据范围、接口清单、业务流程、培训对象、上线条件、运行周期和验收指标。对于人工智能等高级应用，还应约定数据质量要求、模型适用边界和人工复核机制。

指标要分成三层，避免只看上线数量

企业数字化项目的指标可以分为三层。

第一层：建设指标

用于判断项目是否按计划完成，例如设备接入数量、主数据整理完成率、系统上线率、接口打通数量和用户培训覆盖率。

建设指标只能说明项目完成了多少工作，不能证明企业获得了多少收益。

第二层：运营指标

用于判断系统是否真正被使用，例如计划按时发布率、数据填报及时率、异常闭环率、系统活跃率、电子工单使用率和跨部门协同处理时长。

如果系统上线后仍然依赖线下表格和口头通知，运营指标通常不会改善。

第三层：经营指标

用于判断项目是否产生实际价值，例如订单准时交付率、库存周转、一次合格率、单位产品制造成本、非计划停机时间和返工损失。

经营指标受市场、产品和管理等多因素影响，不能把所有变化都归因于数字化项目。因此最好设置改造前基线、试点期间数据和推广后的对照口径，并由业务和财务共同确认。

控制投入风险，避免三种常见误区

误区一：把覆盖率当成项目成效

企业被纳入改造范围、完成系统部署或通过某项评价，并不意味着流程已经改变。判断成效必须回到具体业务：交付是否更稳定，质量问题是否更快闭环，设备是否更少停机，管理者是否能够及时获得可信数据。

误区二：一开始就追求“大而全”

一次性建设覆盖全业务、全设备、全产业链的平台，容易造成周期过长、预算失控和人员疲劳。更合理的做法是先确定一条价值链，完成一个闭环，再决定是否扩展。

项目立项时可以设置分阶段投资门槛：

• 评估阶段：只投入必要的人力和诊断费用；
• 试点阶段：以一个车间或场景验证价值；
• 扩展阶段：只有达到预设指标，才扩大范围；
• 优化阶段：根据运行数据调整流程和系统。

误区三：把人工智能当作起点

如果企业连订单、设备和质量数据都无法稳定获取，直接上人工智能往往会把数据问题隐藏在模型之后。基础薄弱企业应先补数据和基础软件；具备系统基础的企业，应优先打通跨部门流程；只有在数据质量、业务流程和组织责任都较成熟时，才适合开展高级智能应用。

一套可直接使用的项目检查表

企业在启动“智改数转”项目之前，可以用以下问题进行内部评审：

• 是否明确了一个具体经营问题，而不是笼统的数字化目标？
• 是否有改造前的数据基线？
• 是否确定了项目负责人和业务负责人？
• 是否明确了哪些部门必须参与？
• 是否完成了关键数据和设备条件盘点？
• 是否先选择了可控的试点范围？
• 是否设置了阶段性投资和继续投入门槛？
• 是否约定了系统使用、数据质量和经营结果三类指标？
• 是否安排了上线后的运维、培训和流程复盘？
• 是否说明了试点成功后如何复制，以及复制需要哪些前提？

如果这些问题仍然无法回答，企业更适合先做评估和诊断，而不是立即进入采购阶段。

沈阳“智改数转”从扩大覆盖面走向提升项目质量，核心变化是从“有没有项目”转向“项目是否解决了真实问题”。“普及、提升、培优”可以作为企业分阶段选择的参照，“评估—诊断—改造—示范”可以作为项目推进的基本路径，市、区、街道三级协同则提供了外部服务和资源连接。

但这些经验不能机械复制。基础薄弱企业要先补数据和流程，已有系统的企业要优先解决协同，头部企业才适合探索人工智能等高级应用。对所有企业而言，最稳妥的原则始终是：从经营问题出发，以小范围试点验证价值，用明确指标决定是否扩展，最终把一次性建设变成持续运营的数字化项目治理能力。